Maswali ya Kurekebisha Kikoa

Majibu na maelezo huonekana unapojibu maswali.

1. Ni tatizo gani ambalo marekebisho ya kikoa yameundwa kusuluhisha?
   • Kupunguza idadi ya vigezo vya mfano
   • Kuongeza kasi ya matrix kwenye GPU
   • Utendaji hupungua wakati data ya jaribio inatofautiana na data ya mafunzo
   • Inazalisha lebo za mafunzo ya sintetiki kiotomatiki
2. Katika mtandao wa kikoa-adui, safu ya urejeshaji ya upinde rangi inatimiza nini?
   • Husukuma kichuna kipengele kufanya chanzo na shabaha kutofautishwa
   • Inafuta kiainisha kikoa wakati wa uelekezaji
   • Inaongeza maradufu kiwango cha kujifunza kwa mafunzo ya haraka
   • Inabadilisha matokeo ya rejista kuwa lebo za uainishaji
3. Ni nini hufanya urekebishaji wa kikoa 'usiosimamiwa' kuwa muhimu sana?
   • Haihitaji mafunzo ya kielelezo hata kidogo
   • Inafanya kazi tu kwenye data ya picha
   • Huondoa hitaji la kikoa cha chanzo
   • Haihitaji data iliyo na lebo katika kikoa lengwa
4. Ni hali gani ni mfano wa kawaida wa mabadiliko ya kikoa?
   • Muundo uliofunzwa na kujaribiwa kwenye mkusanyiko wa data sawa
   • Kiainishi cha uvimbe kilichofunzwa kwenye kichanganuzi kimoja na kushindwa kwenye kichanganuzi tofauti
   • Muundo unaofanya kazi haraka baada ya ujazo
   • Mtandao wenye tabaka nyingi kuliko mtandao mwingine
5. Je, ni mbinu gani ya urekebishaji ya kikoa 'isiyo na chanzo' iliyoundwa ili kuepuka?
   • Kufikia data asili ya mafunzo ya chanzo wakati wa urekebishaji
   • Kutumia usanifu wowote wa mtandao wa neva
   • Kutoa utabiri wowote wa pato
   • Inatumia GPU za kisasa
6. A team starts adaptation from a broadly pretrained model. What should it still measure?
   • Only the parameter count
   • Only source training accuracy
   • Performance on the actual target data and task
   • Whether target evaluation can be skipped
7. Which DANN head supplies the objective to distinguish source examples from target examples?
   • The task label vocabulary
   • The domain classifier
   • The optimizer checkpoint file
   • A fixed output embedding dimension
8. Does gradient reversal mean changing a positive class label into a negative class label?
   • Yes; every task label is negated
   • Yes; all target samples are relabeled as source
   • No; it freezes every feature weight
   • No; it reverses the domain gradient into the feature extractor